旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)故障診斷研究

□張 津

上海電氣集團(tuán)股份有限公司 中央研究院 上海 200070

1 研究背景

在冶金、化工、機(jī)械等企業(yè)中，旋轉(zhuǎn)機(jī)械設(shè)備約占80%，這些旋轉(zhuǎn)機(jī)械設(shè)備主要包括發(fā)電機(jī)、電動(dòng)機(jī)、透平制氧機(jī)、鼓風(fēng)機(jī)、大型軋鋼機(jī)等。在眾多的旋轉(zhuǎn)機(jī)械故障診斷技術(shù)中，沒(méi)有技術(shù)能比振動(dòng)信號(hào)分析更能反映機(jī)械設(shè)備狀況。振動(dòng)和噪聲的強(qiáng)弱及其包含的主要頻率成分與故障的類(lèi)型、程度、部位和原因等有密切聯(lián)系。當(dāng)發(fā)生故障時(shí)，旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)往往表現(xiàn)為典型的周期性變化。各種機(jī)械設(shè)備在運(yùn)行中，都不同程度地存在振動(dòng)，并且這些振動(dòng)往往與機(jī)器的運(yùn)行狀態(tài)相關(guān)[1]。

振動(dòng)信號(hào)常包含很多有用的信息，如頻率特征、時(shí)間特征等。振動(dòng)信號(hào)分析的目的是將信號(hào)的某些信息特征通過(guò)一定的手段變換為人們?nèi)菀桌斫獾男问?，以便更好地認(rèn)識(shí)信號(hào)所代表的物理特性。傳統(tǒng)的信號(hào)處理方法大多以線(xiàn)性平穩(wěn)的高斯信號(hào)為假設(shè)前提，最常用的是傅里葉頻譜分析，通過(guò)對(duì)信號(hào)頻率域和能量域分布描述來(lái)揭示信號(hào)頻率域的特征，能說(shuō)明信號(hào)中含有哪些頻率分量，并且能表示出信號(hào)在相應(yīng)頻率處的幅度和相位。實(shí)際生活和生產(chǎn)工作中，很多信號(hào)是非線(xiàn)性、非平穩(wěn)的，其統(tǒng)計(jì)量是時(shí)變的函數(shù)，因此需要對(duì)振動(dòng)信號(hào)進(jìn)行更深入的解剖分析，如采用經(jīng)驗(yàn)?zāi)B(tài)分解等[2]。

筆者對(duì)旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的故障診斷進(jìn)行了研究，介紹故障診斷的特征值提取、圖譜分析與故障樹(shù)整理，利用美國(guó)SpectraQuest旋轉(zhuǎn)機(jī)械故障綜合模擬試驗(yàn)臺(tái)，針對(duì)轉(zhuǎn)子不平衡與滾動(dòng)軸承故障進(jìn)行模擬仿真，采集信號(hào)并進(jìn)行診斷。

2 故障診斷步驟

旋轉(zhuǎn)機(jī)械的故障診斷可以通過(guò)特征值提取、圖譜分析、故障樹(shù)整理來(lái)完成。其中，振動(dòng)信號(hào)的特征值可以為故障診斷提供判斷依據(jù)，特征顯著的故障完全可以通過(guò)一些特征值得出診斷結(jié)論。針對(duì)多種故障混合或是特征不顯著的故障，則需要通過(guò)圖譜分析提取故障信息，再通過(guò)故障樹(shù)整理來(lái)進(jìn)一步佐證或推導(dǎo)出故障類(lèi)型[3]。

2.1 特征值提取

特征值主要是用于機(jī)械故障的初判定，即判定機(jī)械設(shè)備是否有故障隱患、程度如何、發(fā)展趨勢(shì)怎樣等。特征值主要包括平均值、均方根值、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、歪度指標(biāo)、峭度指標(biāo)等，指標(biāo)大小可以表示故障的程度，時(shí)間歷程曲線(xiàn)可以表示故障的發(fā)展趨勢(shì)。假設(shè)采集得到N個(gè)振幅為Xi的振動(dòng)信號(hào)，平均值指標(biāo)為[4]：

均方根值指標(biāo)為：

均方根值Xrms描述了振動(dòng)信號(hào)的能量，是機(jī)械故障診斷系統(tǒng)中用于判定是否存在故障的重要指標(biāo)。因?yàn)榫礁得枋稣駝?dòng)信號(hào)的能量與穩(wěn)定性，所以當(dāng)這項(xiàng)指標(biāo)超出正常值較多時(shí)，即可肯定機(jī)械存在故障。

峰值指標(biāo)為：

式中：Xp為振動(dòng)波形的單峰最大值，通常使用絕對(duì)值最大的10個(gè)數(shù)的算術(shù)平均值作為峰值Xp。

脈沖指標(biāo)為：

脈沖指標(biāo)Cf和峰值指標(biāo)Ip都是用來(lái)檢測(cè)信號(hào)中是否存在沖擊的統(tǒng)計(jì)指標(biāo)。

裕度指標(biāo)為：

裕度指標(biāo)Ce通常用于檢測(cè)機(jī)械設(shè)備的磨損情況。若裕度指標(biāo)增大，說(shuō)明均方根值Xrms比平均值X增大快，說(shuō)明磨損導(dǎo)致間隙增大。

歪度指標(biāo)為：

歪度指標(biāo)Cw反映了振動(dòng)信號(hào)的非對(duì)稱(chēng)性。當(dāng)機(jī)械結(jié)構(gòu)存在某一方向的摩擦或碰撞時(shí)，會(huì)造成振動(dòng)波性的不對(duì)稱(chēng)，歪度指標(biāo)便會(huì)增大。

峭度指標(biāo)為：

峭度指標(biāo)Cq反映了振動(dòng)信號(hào)中的沖擊特征，正常情況下值約為3。如果值接近4或超過(guò)4，則說(shuō)明機(jī)械的運(yùn)動(dòng)狀況中存在沖擊性振動(dòng)，可能存在間隙過(guò)大、滑動(dòng)副表面破碎等故障。

2.2 圖譜分析

單值函數(shù)類(lèi)特征值能夠以簡(jiǎn)單的一個(gè)數(shù)值來(lái)進(jìn)行判定，因而成為機(jī)械故障診斷系統(tǒng)中時(shí)域信號(hào)特征的主要指標(biāo)。圖譜分析可以進(jìn)一步提取故障信號(hào)的一些頻域特征，對(duì)多種故障混合或特征不顯著的故障進(jìn)行分解分析。針對(duì)不同的故障，圖譜分析的方法較多，筆者研究的故障診斷方法包括時(shí)域頻譜圖、軸心軌跡圖、瀑布圖、時(shí)間轉(zhuǎn)速幅值曲線(xiàn)、頻譜包絡(luò)線(xiàn)和經(jīng)驗(yàn)?zāi)B(tài)分解[4]。

任何機(jī)械振動(dòng)都具有獨(dú)立性，振動(dòng)波在傳播過(guò)程中相遇會(huì)保持各自的振幅、頻率、振動(dòng)方向和傳播方向，因此，一個(gè)周期信號(hào)在某一時(shí)刻的幅值可以看作是一系列正、余弦信號(hào)在該時(shí)刻的幅值之和。機(jī)械振動(dòng)的獨(dú)立性保證了各個(gè)分解信號(hào)之間沒(méi)有干擾，但要在時(shí)域內(nèi)對(duì)數(shù)目巨大的分解結(jié)果進(jìn)行處理卻不切實(shí)際。而在頻域中，用一個(gè)幅值和一個(gè)頻率唯一表達(dá)一個(gè)諧波信號(hào)，就能避免時(shí)域中諧波信號(hào)的重疊，將一個(gè)可能是不規(guī)則的周期信號(hào)先規(guī)范化，再清晰化，這就形成了振動(dòng)信號(hào)的頻譜分析[1]。頻譜圖作為旋轉(zhuǎn)機(jī)械故障診斷的主要手段，可通過(guò)觀(guān)察結(jié)果的主頻、次頻和諧波來(lái)推導(dǎo)可能的故障類(lèi)型。若故障特征不明顯，可通過(guò)其它圖譜進(jìn)行輔助診斷。

不同時(shí)刻下的頻譜圖組合到一起形成的三維圖即為瀑布圖，瀑布圖以時(shí)間為坐標(biāo)，相比頻譜圖可更加全面展示旋轉(zhuǎn)機(jī)械振動(dòng)狀態(tài)的變化，使技術(shù)人員了解機(jī)械故障的發(fā)生與發(fā)展過(guò)程。旋轉(zhuǎn)機(jī)械轉(zhuǎn)動(dòng)時(shí)，在徑向平面內(nèi)的振動(dòng)軌跡即為軸心軌跡。通過(guò)兩個(gè)相間90°安裝的傳感器獲取波形，繪制成軸心軌跡圖曲線(xiàn)，顯示隨著時(shí)間的變化轉(zhuǎn)子在軸承內(nèi)的振動(dòng)軌跡，相比單個(gè)傳感器更能反映機(jī)械的狀態(tài)。頻譜包絡(luò)線(xiàn)是將不同頻率的振幅最高點(diǎn)連接起來(lái)形成的曲線(xiàn)，對(duì)沖擊力十分敏感，通常用于診斷軸承或齒輪等低頻故障。時(shí)間轉(zhuǎn)速幅值曲線(xiàn)針對(duì)啟停狀態(tài)下的機(jī)械振動(dòng)，將轉(zhuǎn)速曲線(xiàn)與振動(dòng)曲線(xiàn)結(jié)合分析，能夠?qū)Ρ葐⑼C(jī)過(guò)程中的機(jī)械振動(dòng)時(shí)頻域，診斷熱變形等故障。經(jīng)驗(yàn)?zāi)B(tài)分解是一種自適應(yīng)信號(hào)時(shí)頻處理方法，與傅里葉變換一樣，將信號(hào)分解為各個(gè)相互獨(dú)立成分的疊加。傅里葉變換有基函數(shù)，而經(jīng)驗(yàn)?zāi)B(tài)分解假設(shè)任何信號(hào)都由不同的本征模態(tài)函數(shù)（IMF）組成，具備自適應(yīng)性，主要適用于復(fù)雜的非線(xiàn)性、非平穩(wěn)信號(hào)。

2.3 故障樹(shù)整理

進(jìn)行故障診斷，需要對(duì)故障特征進(jìn)行提取，并代入故障樹(shù)進(jìn)行分析，進(jìn)而得到故障類(lèi)型。表1為頻譜和軸心軌跡圖故障樹(shù)，圖1為通過(guò)旋轉(zhuǎn)體軸向和徑向振動(dòng)頻譜圖進(jìn)行診斷的故障樹(shù)，圖表中1f代表頻譜圖中1倍頻處的振幅，2f代表頻譜圖中2倍頻處的振幅，依次類(lèi)推。通過(guò)兩種故障樹(shù)對(duì)應(yīng)使用，可對(duì)基本的故障類(lèi)型進(jìn)行判斷[5]。

表1 頻譜和軸心軌跡圖故障樹(shù)

3 試驗(yàn)結(jié)果

使用如圖2所示SpectraQuest試驗(yàn)臺(tái)可以對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行常見(jiàn)故障的信號(hào)仿真，常見(jiàn)故障包括轉(zhuǎn)子故障、軸承故障、軸心故障、電機(jī)故障和摩擦等。

圖1 軸向和徑向振動(dòng)頻譜圖故障樹(shù)

圖2 SpectraQuest試驗(yàn)臺(tái)

試驗(yàn)使用的試驗(yàn)數(shù)據(jù)，對(duì)應(yīng)實(shí)際工況中最常見(jiàn)與最難判斷的兩種旋轉(zhuǎn)機(jī)械故障，即轉(zhuǎn)子不平衡和滾動(dòng)軸承故障[6]。勻加速轉(zhuǎn)動(dòng)，速度由0提升至30 r/s。利用已連接好的加速度傳感器和VibraQuest數(shù)據(jù)采集分析系統(tǒng)，采集振動(dòng)數(shù)據(jù)并進(jìn)行故障診斷[9]。

將所采集的數(shù)據(jù)導(dǎo)入故障診斷軟件進(jìn)行頻譜分析，如圖4所示。

3.1 轉(zhuǎn)子不平衡

轉(zhuǎn)子不平衡是由于轉(zhuǎn)子部件質(zhì)量偏心或出現(xiàn)缺損造成的故障，是旋轉(zhuǎn)機(jī)械最常見(jiàn)的振動(dòng)故障，約占故障總數(shù)的80%[7]。不平衡由質(zhì)量中心與幾何中心不重合導(dǎo)致，帶來(lái)的后果是增加附加載荷，主要表現(xiàn)為1倍頻振動(dòng)幅值隨運(yùn)行時(shí)間的延長(zhǎng)而逐漸增大。據(jù)統(tǒng)計(jì)，有50%左右的機(jī)械振動(dòng)是由不平衡力引起的，不正常的機(jī)械振動(dòng)會(huì)產(chǎn)生噪聲，加速軸承磨損，縮短機(jī)械壽命，嚴(yán)重時(shí)可造成破壞性事故[8]。因此，對(duì)旋轉(zhuǎn)機(jī)械轉(zhuǎn)子不平衡故障進(jìn)行診斷非常重要。

以轉(zhuǎn)子不平衡為例進(jìn)行試驗(yàn)，不平衡轉(zhuǎn)子如圖3所示。在正常平衡轉(zhuǎn)子上加入不平衡螺栓，制成不平衡轉(zhuǎn)子，安裝到試驗(yàn)軸上。開(kāi)啟電動(dòng)機(jī)，使電動(dòng)機(jī)

圖3 不平衡轉(zhuǎn)子

根據(jù)故障診斷軟件頻譜分析結(jié)果可見(jiàn)，振動(dòng)在30 Hz產(chǎn)生較大振幅，對(duì)應(yīng)轉(zhuǎn)子轉(zhuǎn)速30 r/s，即1倍頻。同時(shí)，在2倍頻處產(chǎn)生較小振幅及部分諧波，根據(jù)圖譜故障樹(shù)可見(jiàn)，故障可能由轉(zhuǎn)子不平衡或軸承座松動(dòng)造成。進(jìn)一步使用加速度傳感器測(cè)量軸向和徑向振動(dòng)，導(dǎo)入軸心軌跡圖，如圖5所示。

由圖5可見(jiàn)，振動(dòng)信號(hào)軸心呈橢圓狀，因此可以判定旋轉(zhuǎn)機(jī)械故障為轉(zhuǎn)子不平衡，即轉(zhuǎn)子偏心。

圖4 轉(zhuǎn)子不平衡軟件頻譜分析截圖

圖5 轉(zhuǎn)子不平衡軟件軸心軌跡圖分析截圖

3.2 滾動(dòng)軸承故障

滾動(dòng)軸承作為機(jī)械設(shè)備中重要的旋轉(zhuǎn)零件，也是機(jī)械設(shè)備的重要故障源之一。滾動(dòng)軸承故障約占感應(yīng)電動(dòng)機(jī)故障總數(shù)的40%[10]。滾動(dòng)軸承由內(nèi)圈、外圈、滾動(dòng)體、保持架組成，當(dāng)這4個(gè)部分出現(xiàn)磨損剝落等損傷性故障時(shí)，便會(huì)產(chǎn)生異常振動(dòng)。因此，要對(duì)滾動(dòng)軸承進(jìn)行振動(dòng)診斷，就必須通過(guò)頻譜分析找出各個(gè)部分的故障特征頻率，以此來(lái)判斷滾動(dòng)軸承的故障位置與嚴(yán)重程度[8]。

由于缺少故障滾動(dòng)軸承的試驗(yàn)數(shù)據(jù)，筆者擬用美國(guó)凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心提供的故障軸承振動(dòng)數(shù)據(jù)進(jìn)行故障診斷[11]。故障軸承型號(hào)為6205-2RS，其基本特征和試驗(yàn)數(shù)據(jù)見(jiàn)表2，表2中過(guò)內(nèi)圈頻率、過(guò)外圈頻率、保持架頻率和滾珠自旋頻率為軸承本身的擾動(dòng)頻率。

過(guò)內(nèi)圈頻率為：

式中：α為滾珠受力方向與內(nèi)外滾道垂直線(xiàn)的夾角。

過(guò)外圈頻率為：

滾珠自旋頻率為：

保持架頻率為：

表2 6205-2RS軸承基本征與試驗(yàn)數(shù)據(jù)

設(shè)fr為軸承的轉(zhuǎn)動(dòng)頻率，計(jì)算滾動(dòng)軸承各元件故障特征頻率[4]。

內(nèi)圈故障特征頻率為：

外圈故障特征頻率為：

滾珠故障特征頻率為：

保持架故障特征頻率為：

根據(jù)上述特征頻率公式和相關(guān)數(shù)據(jù)，可計(jì)算出軸承的故障特征頻率，見(jiàn)表3。

將故障數(shù)據(jù)導(dǎo)入故障診斷軟件，進(jìn)行頻譜分析，如圖6所示。結(jié)果顯示振動(dòng)存在較多較高的諧波，難以確定故障的特征頻率，因此針對(duì)這種復(fù)雜的非線(xiàn)性、非平穩(wěn)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解。

經(jīng)驗(yàn)?zāi)B(tài)分解得到的IMF頻譜包絡(luò)線(xiàn)最終結(jié)果如圖7所示，可以看到振動(dòng)的故障特征頻率約為157.5 Hz，因此可以判斷旋轉(zhuǎn)機(jī)械故障位于軸承內(nèi)圈。

表3 軸承故障特征頻率

圖6 滾動(dòng)軸承故障軟件頻譜分析截圖

圖7 滾動(dòng)軸承故障軟件經(jīng)驗(yàn)?zāi)B(tài)分解截圖

4 總結(jié)

旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)故障診斷對(duì)保證設(shè)備的正常運(yùn)行具有重要意義，筆者針對(duì)旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)進(jìn)行了研究，包括頻譜分析、軸心軌跡、包絡(luò)分析、時(shí)間轉(zhuǎn)速分析和經(jīng)驗(yàn)?zāi)B(tài)分解，并使用旋轉(zhuǎn)機(jī)械故障綜合模擬試驗(yàn)臺(tái)對(duì)兩種典型故障進(jìn)行仿真試驗(yàn)，通過(guò)故障診斷軟件進(jìn)行圖譜處理，處理結(jié)果由故障樹(shù)整理進(jìn)行歸納分析，推導(dǎo)出故障類(lèi)型。

[1]王垚,蔣東翔,戰(zhàn)祥森.旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷知識(shí)庫(kù)的研究與實(shí)現(xiàn)[J].汽輪機(jī)技術(shù)，2003，45（1）：11-13.

[2]朱可恒.滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D].大連：大連理工大學(xué)，2013.

[3]朱文博，李郝林，甘屹.故障診斷實(shí)例檢索方法研究[J].制造業(yè)自動(dòng)化，2011，33（5）：74－77.

[4]高金吉.旋轉(zhuǎn)機(jī)械振動(dòng)故障原因及識(shí)別特征研究[J].振動(dòng).測(cè)試與診斷，1995，15（3）:1-8.

[5]朱文博，劉莎，甘屹.基于案例推理的故障診斷系統(tǒng)軟件開(kāi)發(fā)[J].上海電氣技術(shù)，2010，3（3）：29-33.

[6]楊文濤.旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)特性提取技術(shù)研究[D].大慶：東北石油大學(xué)，2014.

[7]郭雙全.基于灰色關(guān)聯(lián)度的風(fēng)力發(fā)電機(jī)組健康性能評(píng)估方法研究[J].裝備機(jī)械，2016（1）：7-11.

[8]蘇文勝.滾動(dòng)軸承振動(dòng)信號(hào)處理及特征提取方法研究[D].大連：大連理工大學(xué)，2010.

[9]王浩林，徐志明，甘屹，等.基于網(wǎng)絡(luò)的數(shù)控機(jī)床故障預(yù)警與診斷平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[J].機(jī)床與液壓，2016，44（11）：181-188，262.

[10]李輝，郭雙全，張夢(mèng)航.基于時(shí)間序列的發(fā)電機(jī)溫升趨勢(shì)分析方法[J].上海電氣技術(shù)，2016，9（1）：49-58.

[11]朱振軍.軸承振動(dòng)故障分析[J].設(shè)備管理與維修，2011（S1）：99-100.